CN113489005A - 配电网潮流计算的配变负荷估算方法及系统 - Google Patents

配电网潮流计算的配变负荷估算方法及系统 Download PDF

Info

Publication number
CN113489005A
CN113489005A CN202110832509.2A CN202110832509A CN113489005A CN 113489005 A CN113489005 A CN 113489005A CN 202110832509 A CN202110832509 A CN 202110832509A CN 113489005 A CN113489005 A CN 113489005A
Authority
CN
China
Prior art keywords
day
load
feeder line
meteorological
distribution transformer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110832509.2A
Other languages
English (en)
Other versions
CN113489005B (zh
Inventor
周胜超
胡泽江
杨晨曦
何静
宗德文
陈蒙
马杰
杨凡奇
张小丽
王勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202110832509.2A priority Critical patent/CN113489005B/zh
Publication of CN113489005A publication Critical patent/CN113489005A/zh
Application granted granted Critical
Publication of CN113489005B publication Critical patent/CN113489005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及配电网技术领域，公开一种配电网潮流计算的配变负荷估算方法及系统，以提高10kV配电网潮流计算的准确性。方法包括：获取馈线的有功功率历史数据及该馈线上各配变的有功功率历史数据，并获取该馈线的同期的历史气象数据；提取当日当前时刻前2小时的馈线负荷有功功率序列与该馈线上各配变对应时段的负荷有功功率序列，基于DTW距离确定馈线相似日；基于加权灰色关联分析方法从历史其它日的气象特征向量集合中确定气象相似日；判断馈线相似日与气象相似日是否为同一天，如果是，将该日有功、无功负荷作为当前配变有功、无功负荷；否则，融合馈线相似日和气象相似日所对应的负荷数据计算得到当前配变有功、无功负荷。

Description

配电网潮流计算的配变负荷估算方法及系统
技术领域
本发明涉及配电网技术领域，尤其涉及一种配电网潮流计算的配变负荷估算方法及系统。
背景技术
在配电网自动化领域，许多场合需要实时计算配电网潮流。负荷功率是潮流计算的基础数据。10kV配网潮流计算需要获取馈线上的节点负荷功率，即配电变压器(以下均简称配变)的有功功率和无功功率。目前，各地区配电网自动化水平参差不齐。对于自动化程度高的配电网，配变安装有配变终端(TTU，Distribution Transformer supervisoryTerminal Unit)，SCADA(Supervisory Control And Data Acquisition，即数据采集与监视控制)系统可以将配变的有功、无功功率实时上传到配电网调控中心。但是，对于大部分配电网，配变没有安装TTU，或者受通信信道传输质量和速率的限制，配变的计量装置每天只能定时将采集的负荷数据上传计量中心，调控中心无法短时间内及时获取配变的实时负荷数据。在难以获取10kV配电网的负荷数据的情况下，只能采用近似的方法对负荷进行处理，影响潮流计算的准确性。
考虑到目前大部分配电网已实现营配数据贯通，可以在潮流计算时及时获得配变的历史负荷信息，本发明借鉴负荷预测的思想，利用配变的历史负荷数据，推算合解环时配电网各节点负荷。
发明内容
本发明目的在于公开一种配电网潮流计算的配变负荷估算方法及系统，以提高配电网潮流计算的准确性。
为达上述目的，本发明公开一种配电网潮流计算的配变负荷估算方法，包括：
实时监测馈线的有功功率负荷，当需要计算某条馈线的潮流时，获取该馈线的有功功率历史数据及该馈线上各配变的有功功率历史数据，并获取该馈线的同期的历史气象数据；
提取当日当前时刻前2小时的馈线负荷有功功率序列与该馈线上各配变的有功功率历史数据中每天对应当前时刻前2小时的负荷有功功率序列，基于DTW距离确定馈线相似日；并创建当前日气象特征向量，基于加权灰色关联分析方法从历史其它日的气象特征向量集合中确定气象相似日；
判断所述馈线相似日与所述气象相似日是否为同一天，如果是，将该日有功、无功负荷作为配变有功、无功负荷；否则，融合所述馈线相似日和气象相似日所分别对应的有功、无功负荷计算得到当前配变有功、无功负荷。
优选地，所述确定馈线相似日的方法包括：
(1)馈线总负荷数据采集，提取当日当前时刻前2小时的馈线总负荷有功功率序列，记为POCS；
(2)从计量自动化系统中提取馈线上待估算配变的前28天每天对应当前时刻前2小时的负荷有功功率序列，记为PT＝[P1,P2,…,Pk,…,PN]，其中N＝28天；
(3)计算该配变第k日历史有功功率Pk与馈线负荷POCS的DTW距离D(Pk,POCS)；
(4)若某日该配变负荷的有功功率序列与当前日馈线负荷POCS序列的DTW距离最小，则确定该日为该配变的馈线相似日；
其中，在DTW距离计算过程中，时间序列S＝{s1,s2,…,si,…,sN}和时间序列H＝{h1,h2,…,hj,…,hM}之间的DTW距离D(S,H)定义为：
D(S,H)＝f(N,M)
Figure BDA0003176046710000021
f(0,0)＝0,f(i,0)＝f(0,j)＝∞,(i＝1,2,...,n；j＝1,2,...,m)
d(si,hj)＝|si-hj|。
优选地，所述气象相似日的确定方法包括：
(1)获取当前日及其前28天的历史气象数据，构成当前日气象特征向量Y0＝[Y01,Y02,...,Y0M]和历史第n天的气象特征向量Yn＝[Yn1,Yn2,...,YnM]，n＝1,2,...,N，M为气象因素的个数，N＝28为历史日个数；
(2)以当前日气象特征向量Y0作为母序列，以其它日的气象特征向量Y1,Y2,…Yi，…,YN作为子序列，计算母序列Y0与各子序列之间的灰色关联系数，构造如下灰色关联矩阵：
Figure BDA0003176046710000031
式中Fnm为第n天的第m个气象参数与母序列对应气象参数的灰色关联度值；
灰色关联度值Fnm计算公式为：
Figure BDA0003176046710000032
式中，d(n,m)＝|y0m-ynm|为第n天第m项气象参数与母序列对应参数的绝对差值；
Figure BDA0003176046710000033
和
Figure BDA0003176046710000034
分别为2级最小差值和2级最大差值；β为分辨系数；
(3)采用比例系数法计算各项气象因素的权重：
Figure BDA0003176046710000035
式中，cm为第m项气象指标与配变负荷的相关系数；
(4)对灰色关联矩阵加权，然后累加得到第n日加权灰色关联度值：
Figure BDA0003176046710000036
式中，Rn为第n天气象参数与当前日气象参数的灰色关联度，其值越大，则表示两序列相似度越高；
(5)取灰色关联度最大值对应的日期为各配变的气象相似日。
优选地，β取值为0.5。
优选地，所述根据所述馈线相似日和气象相似日所分别对应的有功、无功负荷进行融合计算以配变有功、无功负荷的方法包括：
(1)计算当前日的有功负荷：
Pforecast(τ)＝αPfeeder(τ)+(1-α)Pweather(τ)
式中，α为融合系数；Pforecast(τ)为当前日时段τ的负荷估算值；Pfeeder(τ)、Pweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值；
(2)计算当前日的无功负荷：
Qforecast(τ)＝αQfeeder(τ)+(1-α)Qweather(τ)
式中，Qforecast(τ)为当前日时段τ的负荷估算值；Qfeeder(τ)、Qweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值。
例如：当配变历史负荷数据采集频率为4点/小时时，τ＝1,2,…,8。相对应的，融合系数α的确定方法包括：
将当前日的前1日作为“估算日”，分别采用DTW和灰色关联度方法从当前前28日中选出“估算日”的馈线相似日和气象相似日，并将“估算日”及其馈线相似日、气象相似日的各时段τ的负荷数据代入上述Pforecast(τ)的计算公式中建立8个线性方程，然后采用最小二乘法求得最优的融合系数α。
优选地，所述气象数据包括：温度、湿度、相对湿度、平均风速、最大风速和降雨量中的任意一种或任意组合。
为达上述目的，本发明还公开一种配电网潮流计算的配变负荷估算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述相对应方法的步骤。
本发明具有以下有益效果：
在估算当前时刻的负荷值时，参与计算的参数中，馈线总负荷是已知的，当日的气象参数也是已知的；数据获取便利。本发明充分考虑配变负荷与馈线总负荷的相关性及不同气象因素对配变负荷不同程度的影响，利用当前馈线总负荷和气象情况进行配变的负荷估计，逻辑严谨、确保了数据的可靠性和精确性。而且，DTW算法能够找到最优的两时间序列之间的非线性定位，其定位之间的距离不易受时间维度失真所造成的负面影响。DTW算法能计算非等长时间序列信号的相似度，且对个别数据的缺失和异常不敏感，因此，不需要对缺失、异常的个别数据进行预处理；进一步提高了数据处理的效率和兼容性。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的配电网潮流计算的配变负荷估算方法流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种配电网潮流计算的配变负荷估算方法，其关注的主要因素包括：
(一)配变当前时刻的负荷估计
潮流计算时，配变的负荷估算不同于传统的负荷预测，其估算目标是当前时刻的负荷值，且馈线总负荷是已知的，当日的气象参数也是已知的。为本实施例充分利用当前馈线总负荷和气象情况进行配变的负荷估计提供了条件。
(二)配变负荷与馈线总负荷的相关性
配电网运行过程中，馈线总负荷约等于此馈线下辖的所有配变负荷之和(忽略线损)。对于每个配变而言，馈线总负荷包含有这个配变负荷的一部分运行信息。且馈线总负荷和大部分配变负荷的变化规律都受作息规律、季节、是否为工作日等因素的影响。因此大部分配变负荷呈现出与馈线总负荷较大程度的相关性。
以昆明电网某实际馈线为例，对2020年8月的馈线总负荷与选取的下辖配变负荷进行相关性分析，计算其Pearson相关系数，结果如表1所示(限于篇幅只列出了7台配变数据)。
表1：
配变1 配变2 配变3 配变4 配变5 配变6 配变7
相关系数 0.744 0.660 0.750 0.684 0.833 0.849 0.508
相关程度 较强 中等 较强 中等 强 强 较弱
由表1可以看出，对于配变5、6，其负荷与馈线负荷的相关系数均大于0.8，呈现为强相关；配变1、3的负荷与馈线负荷相关系数在0.7-0.8之间，呈现较强的相关性；配变2、4的负荷与馈线负荷的相关系数在0.6-0.7之间，呈现中等强度的相关性；配变7负荷与馈线总负荷的相关系数最小，表现为较弱相关。分析负荷数据发现，配变7的负荷表现为每个工作日都很接近，受外界因素影响较小。
(三)气象因素对配变负荷的影响
温度、湿度等气象因素对配变负荷有重要的影响。各气象参数(温度、湿度、风速、降雨量等)的单位、量纲不同，数值没有直接可比性，故采用下述公式进行归一化处理：
Figure BDA0003176046710000051
式中，y为待归一化的某气象参数数据；ymax和ymin分别为其在分析时间内出现的最大值、最小值。
仍以上文的馈线为例，对2020年8月的各配变负荷与各气象参数进行相关性分析，气象参数的采集频度为8点/日，得到Pearson相关系数如表2。
表2：
配变负荷 温度 相对湿度 平均风速 最大风速 降雨量
配变1 0.622 -0.593 0.016 -0.270 -0.211
配变2 0.657 -0.611 0.030 -0.344 0.262
配变3 0.618 -0.570 0.223 -0.354 -0.269
配变4 0.556 -0.517 0.080 -0.271 -0.201
配变5 0.495 -0.453 0.156 -0.370 -0.314
配变6 0.609 -0.552 0.141 -0.394 -0.276
配变7 0.146 -0.143 0.133 -0.204 -0.275
由表2可以看出，除了配变7外，配变1-6均与气象因素相关，但各配变负荷与不同气象因素之间的相关程度差异较大；在进行配变负荷估算时，需考虑不同气象因素对配变负荷不同程度的影响。
(四)基于相似日的配变负荷估算
在配变负荷与馈线总负荷和气象因素的相关分析的基础上，对各配变分别找寻其基于馈线负荷相似性的相似日以及基于气象因素相似性的相似日。一部分配变负荷与馈线总负荷和气象因素的相关性均较弱(如恒定负荷)或只与日类型相关，则可以对比历史数据直接寻找相应的相似日。
与常规负荷预测相比，潮流计算并不需要估算配变整天的负荷值，只需估算当前时刻2小时时段内的有功功率。藉此，本实施例可依据当前时刻前2小时的馈线负荷、气象参数与历史日同时段的馈线负荷与气象参数的相似性进行相似日选取。具体方式包括：
(4.1)基于DTW距离的馈线负荷相似日选取：
在配网实际运行中，计量自动化系统采集的配变负荷数据往往存在漏报或误报的情况，即负荷数据中会有个别点缺失或者异常。采用Pearson相关系数等常规方法进行相似性分析时，需要先对数据进行预处理，剔除异常值，并对缺失数据及剔除数据通过插值进行补充，过程比较繁琐。且Pearson相关系数只与负荷的波形形状有关，与负荷的大小无关，因此其在找寻相似日过程中可能出现“形相似，值不相似”的情况，效果较差。
为此，本实施例采用动态时间弯曲(Dynamic Time Warping，DTW)算法计算馈线总负荷与配变负荷间的相似度，以选取馈线负荷相似日(下文均简称馈线相似日)。其中，DTW算法利用动态规划的思想，用满足特定条件的时间规整函数描述两时间序列之间的时间对应关系，解得两序列匹配时累计距离最小对应的规整函数。DTW算法能够找到最优的两时间序列之间的非线性定位，其定位之间的距离不易受时间维度失真所造成的负面影响。DTW算法能计算非等长时间序列信号的相似度，且对个别数据的缺失和异常不敏感，因此，不需要对缺失、异常的个别数据进行预处理。
其中，在DTW距离计算过程中，时间序列S＝{s1,s2,…,si,…,sN}和时间序列H＝{h1,h2,…,hj,…,hM}之间的DTW距离D(S,H)定义为：
D(S,H)＝f(N,M)
Figure BDA0003176046710000071
f(0,0)＝0,f(i,0)＝f(0,j)＝∞,(i＝1,2,...,n；j＝1,2,...,m)
d(si,hj)＝|si-hj|。
在计算DTW距离D时，构造N×M个单元的动态时间弯曲距离矩阵，以上述公式递归填充距离矩阵，最后得到的最小距离即为时间序列S和H的DTW距离D。
藉此，基于DTW距离的馈线相似日选取流程如下：
(1)馈线总负荷数据采集，提取当日当前时刻前2小时的馈线总负荷有功功率序列，记为POCS。
(2)从计量自动化系统中提取馈线上待估算配变的前28天每天对应当前时刻前2小时的负荷有功功率序列，记为PT＝[P1,P2,…,Pk,…,PN]，其中N＝28天。
(3)计算该配变第k日历史有功功率Pk与馈线负荷POCS的DTW距离D(Pk,POCS)。
(4)若某日该配变负荷的有功功率序列与当前日馈线负荷POCS序列的DTW距离最小，则确定该日为该配变的馈线相似日。
按上述步骤，获得馈线上所有配变的馈线相似日。
(4.2)基于加权灰色关联分析的气象相似日选取：
气象相似日的选取不仅需要考虑多气象因素，同时还要考虑各气象因素对配变负荷的影响程度。本实施例可通过加权灰色关联分析获取气象相似日，综合考虑所有气象因素特征的影响，避免出现单个特征影响过大或忽视掉某几个特征的情况。
例如：基于加权灰色关联分析的气象相似日选取步骤如下：
(1)获取当前日及其前28天的历史气象数据，构成当前日气象特征向量Y0＝[Y01,Y02,...,Y0M]和历史第n天的气象特征向量Yn＝[Yn1,Yn2,...,YnM]，n＝1,2,...,N，M为气象因素的个数，N＝28为历史日个数；
(2)以当前日气象特征向量Y0作为母序列，以其它日的气象特征向量Y1,Y2,…Yi，…,YN作为子序列，计算母序列Y0与各子序列之间的灰色关联系数，构造如下灰色关联矩阵：
Figure BDA0003176046710000081
式中Fnm为第n天的第m个气象参数与母序列对应气象参数的灰色关联度值；
灰色关联度值Fnm计算公式为：
Figure BDA0003176046710000082
式中，d(n,m)＝|y0m-ynm|为第n天第m项气象参数与母序列对应参数的绝对差值；
Figure BDA0003176046710000083
和
Figure BDA0003176046710000084
分别为2级最小差值和2级最大差值；β为分辨系数；
(3)采用比例系数法计算各项气象因素的权重：
Figure BDA0003176046710000085
式中，cm为第m项气象指标与配变负荷的相关系数。
(4)对灰色关联矩阵加权，然后累加得到第n日加权灰色关联度值：
Figure BDA0003176046710000086
式中，Rn为第n天气象参数与当前日气象参数的灰色关联度，其值越大，则表示两序列相似度越高。
(5)取灰色关联度最大值对应的日期为各配变的气象相似日。
(五)配变负荷估算
馈线相似日和气象相似日是采用不同的标准选取的相似日。对于某一配变，如果两个相似日恰好是同一天，则可将该天配变的负荷作为当前日的负荷。如两相似日不是同一天，则采用下式来计算当前日的有功负荷：
Pforecast(τ)＝αPfeeder(τ)+(1-α)Pweather(τ)
式中，α为融合系数；Pforecast(τ)为当前日时段τ的负荷估算值；Pfeeder(τ)、Pweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值；当配变历史负荷数据采集频率为4点/小时时，τ＝1,2,…,8。
为了获得融合系数α，将当前日的前1日作为“估算日”，分别采用DTW和灰色关联度法从当前前28日中选出“估算日”的馈线相似日和气象相似日，并将“估算日”及其馈线相似日、气象相似日的各时段τ(τ＝1,2,…,8)的负荷数据代入，可建立8个线性方程。由于只有一个未知变量α，采用最小二乘法求得最优的融合系数α。
获得最优融合系数α后，按下式计算当前日(估算日)的无功负荷：
Qforecast(τ)＝αQfeeder(τ)+(1-α)Qweather(τ)
式中，Qforecast(τ)为当前日时段τ的负荷估算值；Qfeeder(τ)、Qweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值；当配变历史负荷数据采集频率为4点/小时时，τ＝1,2,…,8。
综上所述，参照图1，本实施例负荷估算的具体实现步骤如下：
(1)配电网调控中心实时监测馈线的有功功率负荷，当需要计算某条馈线的潮流时，从调控中心获取自当前时刻起至当前日前28天的馈线有功功率历史数据，从计量自动化系统获取该馈线上各配变当前日前28天的有功功率历史数据，以及气温、湿度、风速、降水量等气象数据。
(2)寻找馈线相似日。
(3)寻找气象相似日。
(4)若两相似日为同一天时，将该日有功、无功负荷作为配变有功、无功负荷；当两类相似日不同时，分别按上述融合计算方法得到各配变当前时段的有功、无功负荷估算值。
实施例2
与上述实施例相对应的，本实施例公开一种配电网潮流计算的配变负荷估算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现下述方法的步骤：
实时监测馈线的有功功率负荷，当需要计算某条馈线的潮流时，获取该馈线的有功功率历史数据及该馈线上各配变的有功功率历史数据，并获取该馈线的同期的历史气象数据；
提取当日当前时刻前2小时的馈线负荷有功功率序列与该馈线上各配变的有功功率历史数据中每天对应当前时刻前2小时的负荷有功功率序列，基于DTW距离确定馈线相似日；并创建当前日气象特征向量，基于加权灰色关联分析方法从历史其它日的气象特征向量集合中确定气象相似日；
判断所述馈线相似日与所述气象相似日是否为同一天，如果是，将该日有功、无功负荷作为配变有功、无功负荷；否则，根据所述馈线相似日和气象相似日所分别对应的有功、无功负荷进行融合计算以得出配变有功、无功负荷。
本实施例馈线相似日、气象相似日及两者的融合计算方法参照上述实施例，不做赘述。
综上，本发明实施例所公开的配电网潮流计算的配变负荷估算方法及系统，至少具有以下优点：
在估算当前时刻的负荷值时，参与计算的参数中，馈线总负荷是已知的，当日的气象参数也是已知的；数据获取便利。本发明充分考虑配变负荷与馈线总负荷的相关性及不同气象因素对配变负荷不同程度的影响，利用当前馈线总负荷和气象情况进行配变的负荷估计，逻辑严谨、确保了数据的可靠性和精确性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种配电网潮流计算的配变负荷估算方法，其特征在于，包括：
实时监测馈线的有功功率负荷，当需要计算某条馈线的潮流时，获取该馈线的有功功率历史数据及该馈线上各配变的有功功率历史数据，并获取该馈线的同期的历史气象数据；
提取当日当前时刻前2小时的馈线负荷有功功率序列与该馈线上各配变的有功功率历史数据中每天对应当前时刻前2小时的负荷有功功率序列，基于DTW距离确定馈线相似日；创建当前日气象特征向量，基于加权灰色关联分析方法从历史其它日的气象特征向量集合中确定气象相似日；
判断所述馈线相似日与所述气象相似日是否为同一天，如果是，将该日有功、无功负荷作为配变有功、无功负荷；否则，融合所述馈线相似日和气象相似日所分别对应的有功、无功负荷计得到当前配变有功、无功负荷。
2.根据权利要求1所述的方法，其特征在于，所述确定馈线相似日的方法包括：
(1)馈线总负荷数据采集，提取当日当前时刻前2小时的馈线总负荷有功功率序列，记为POCS；
(2)从计量自动化系统中提取馈线上待估算配变的前28天每天对应当前时刻前2小时的负荷有功功率序列，记为PT＝[P1,P2,…,Pk,…,PN]，其中N＝28天；
(3)计算该配变第k日历史有功功率Pk与馈线负荷POCS的DTW距离D(Pk,POCS)；
(4)若某日该配变负荷的有功功率序列与当前日馈线负荷POCS序列的DTW距离最小，则确定该日为该配变的馈线相似日；
其中，在DTW距离计算过程中，时间序列S＝{s1,s2,…,si,…,sN}和时间序列H＝{h1,h2,…,hj,…,hM}之间的DTW距离D(S,H)定义为：
D(S,H)＝f(N,M)
Figure FDA0003176046700000011
f(0,0)＝0,f(i,0)＝f(0,j)＝∞,(i＝1,2,...,n；j＝1,2,...,m)
d(si,hj)＝|si-hj|。
3.根据权利要求1所述的方法，其特征在于，所述气象相似日的确定方法包括：
(1)获取当前日及其前28天的历史气象数据，构成当前日气象特征向量Y0＝[Y01,Y02,...,Y0M]和历史第n天的气象特征向量Yn＝[Yn1,Yn2,...,YnM]，n＝1,2,...,N，M为气象因素的个数，N＝28为历史日个数；
(2)以当前日气象特征向量Y0作为母序列，以其它日的气象特征向量Y1,Y2,…Yi，…,YN作为子序列，计算母序列Y0与各子序列之间的灰色关联系数，构造如下灰色关联矩阵：
Figure FDA0003176046700000021
式中Fnm为第n天的第m个气象参数与母序列对应气象参数的灰色关联度值；
灰色关联度值Fnm计算公式为：
Figure FDA0003176046700000022
式中，d(n,m)＝|y0m-ynm|为第n天第m项气象参数与母序列对应参数的绝对差值；
Figure FDA0003176046700000023
和
Figure FDA0003176046700000024
分别为2级最小差值和2级最大差值；β为分辨系数；
(3)采用比例系数法计算各项气象因素的权重：
Figure FDA0003176046700000025
式中，cm为第m项气象指标与配变负荷的相关系数；
(4)对灰色关联矩阵加权，然后累加得到第n日加权灰色关联度值：
Figure FDA0003176046700000026
式中，Rn为第n天气象参数与当前日气象参数的灰色关联度，其值越大，则表示两序列相似度越高；
(5)取灰色关联度最大值对应的日期为各配变的气象相似日。
4.根据权利要求3所述的方法，其特征在于，β取值为0.5。
5.根据权利要求1至4任一所述的方法，其特征在于，所述根据所述馈线相似日和气象相似日所分别对应的有功、无功负荷进行融合计算以配变有功、无功负荷的方法包括：
(1)计算当前日的有功负荷：
Pforecast(τ)＝αPfeeder(τ)+(1-α)Pweather(τ)
式中，α为融合系数；Pforecast(τ)为当前日时段τ的负荷估算值；Pfeeder(τ)、Pweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值；
(2)计算当前日的无功负荷：
Qforecast(τ)＝αQfeeder(τ)+(1-α)Qweather(τ)
式中，Qforecast(τ)为当前日时段τ的负荷估算值；Qfeeder(τ)、Qweather(τ)分别为馈线相似日、气象相似日对应τ时段的负荷值。
6.根据权利要求5所述的方法，其特征在于，当配变历史负荷数据采集频率为4点/小时时，τ＝1,2,…,8。
7.根据权利要求6所述的方法，其特征在于，融合系数α的确定方法包括：
将当前日的前1日作为“估算日”，分别采用DTW和灰色关联度方法从当前前28日中选出“估算日”的馈线相似日和气象相似日，并将“估算日”及其馈线相似日、气象相似日的各时段τ的负荷数据代入上述Pforecast(τ)的计算公式中建立8个线性方程，然后采用最小二乘法求得最优的融合系数α。
8.根据权利要求7所述的方法，其特征在于，所述气象数据包括：温度、湿度、相对湿度、平均风速、最大风速和降雨量中的任意一种或任意组合。
9.一种配电网潮流计算的配变负荷估算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
CN202110832509.2A 2021-07-22 2021-07-22 配电网潮流计算的配变负荷估算方法及系统 Active CN113489005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832509.2A CN113489005B (zh) 2021-07-22 2021-07-22 配电网潮流计算的配变负荷估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832509.2A CN113489005B (zh) 2021-07-22 2021-07-22 配电网潮流计算的配变负荷估算方法及系统

Publications (2)

Publication Number Publication Date
CN113489005A true CN113489005A (zh) 2021-10-08
CN113489005B CN113489005B (zh) 2023-07-25

Family

ID=77943375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832509.2A Active CN113489005B (zh) 2021-07-22 2021-07-22 配电网潮流计算的配变负荷估算方法及系统

Country Status (1)

Country Link
CN (1) CN113489005B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882589A (zh) * 2023-09-04 2023-10-13 国网天津市电力公司营销服务中心 一种基于贝叶斯优化深度神经网络的线损率在线预测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245850A (zh) * 2013-03-29 2013-08-14 上海申瑞继保电气有限公司 配电变压器的馈线最大负荷预估方法
CN103683278A (zh) * 2013-11-04 2014-03-26 国家电网公司 一种应用于在线合环潮流优化分析的配电网负荷校准方法
JP2015156764A (ja) * 2014-02-21 2015-08-27 富士電機株式会社 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法
CN105552902A (zh) * 2016-01-25 2016-05-04 中国电力科学研究院 基于馈线端实时量测的配电网终端负荷超短期预测方法
CN105914735A (zh) * 2016-04-29 2016-08-31 国网辽宁省电力有限公司朝阳供电公司 一种配电网经济负荷潮流计算方法
CN106650979A (zh) * 2015-10-29 2017-05-10 中国电力科学研究院 一种馈线基线负荷预测方法
CN108009938A (zh) * 2016-11-02 2018-05-08 中国电力科学研究院 一种基于形状的系统负荷聚类及负荷周期的模式识别方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN108711851A (zh) * 2018-06-05 2018-10-26 国网上海市电力公司 一种评估中压配电网合环操作安全性的方法
CN110212521A (zh) * 2019-06-05 2019-09-06 国网河南省电力公司电力科学研究院 配电网线损计算方法及系统
CN110826795A (zh) * 2019-10-31 2020-02-21 国网辽宁省电力有限公司经济技术研究院 极端温度气象日母线日前负荷预测方法
CN111797917A (zh) * 2020-06-30 2020-10-20 深圳供电局有限公司 一种根据气象因素选取短期相似日的方法
CN112330052A (zh) * 2020-11-20 2021-02-05 广西电网有限责任公司电力科学研究院 一种配变负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112531679A (zh) * 2020-11-04 2021-03-19 国网湖南综合能源服务有限公司 一种测负荷特征大数据监测设备及监测方法
CN112952828A (zh) * 2021-04-14 2021-06-11 南京工程学院 一种用于低压配电网的用户台区分析方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245850A (zh) * 2013-03-29 2013-08-14 上海申瑞继保电气有限公司 配电变压器的馈线最大负荷预估方法
CN103683278A (zh) * 2013-11-04 2014-03-26 国家电网公司 一种应用于在线合环潮流优化分析的配电网负荷校准方法
JP2015156764A (ja) * 2014-02-21 2015-08-27 富士電機株式会社 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法
CN106650979A (zh) * 2015-10-29 2017-05-10 中国电力科学研究院 一种馈线基线负荷预测方法
CN105552902A (zh) * 2016-01-25 2016-05-04 中国电力科学研究院 基于馈线端实时量测的配电网终端负荷超短期预测方法
CN105914735A (zh) * 2016-04-29 2016-08-31 国网辽宁省电力有限公司朝阳供电公司 一种配电网经济负荷潮流计算方法
CN108009938A (zh) * 2016-11-02 2018-05-08 中国电力科学研究院 一种基于形状的系统负荷聚类及负荷周期的模式识别方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN108711851A (zh) * 2018-06-05 2018-10-26 国网上海市电力公司 一种评估中压配电网合环操作安全性的方法
CN110212521A (zh) * 2019-06-05 2019-09-06 国网河南省电力公司电力科学研究院 配电网线损计算方法及系统
CN110826795A (zh) * 2019-10-31 2020-02-21 国网辽宁省电力有限公司经济技术研究院 极端温度气象日母线日前负荷预测方法
CN111797917A (zh) * 2020-06-30 2020-10-20 深圳供电局有限公司 一种根据气象因素选取短期相似日的方法
CN112531679A (zh) * 2020-11-04 2021-03-19 国网湖南综合能源服务有限公司 一种测负荷特征大数据监测设备及监测方法
CN112330052A (zh) * 2020-11-20 2021-02-05 广西电网有限责任公司电力科学研究院 一种配变负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112952828A (zh) * 2021-04-14 2021-06-11 南京工程学院 一种用于低压配电网的用户台区分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周晖;王玮;秦海超;王书春;姜红;: "基于多时段气象数据判断相似日的日负荷曲线预测研究", 继电器, no. 23, pages 46 - 50 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882589A (zh) * 2023-09-04 2023-10-13 国网天津市电力公司营销服务中心 一种基于贝叶斯优化深度神经网络的线损率在线预测方法

Also Published As

Publication number Publication date
CN113489005B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN111222698A (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN105847598A (zh) 呼叫中心多因子话务预测方法及其装置
CN110163429A (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN108090515B (zh) 一种基于数据融合的环境等级评估方法
CN107437135B (zh) 一种新型储能选型方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN112085285B (zh) 母线负荷预测方法、装置、计算机设备和存储介质
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111680820A (zh) 分布式光伏电站故障诊断方法和装置
CN108428055B (zh) 一种考虑负荷纵向特性的负荷聚类方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN113361801A (zh) 基于gan网络和半监督回归的混合滚动短期负荷预测方法
CN111861206A (zh) 一种基于企业电力大数据的工业行业景气指数获取方法
CN113489005A (zh) 配电网潮流计算的配变负荷估算方法及系统
CN113724101B (zh) 台区的箱表关系识别方法及系统、设备、存储介质
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN111159640A (zh) 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质
Johnson et al. Short term wind power forecasting using adaptive neuro-fuzzy inference systems
CN114266457A (zh) 一种配电线路异损诱因检测的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant